Home
Login.
Artikelilmiahs
40250
Update
MEILISA AYU SUSANTIVA
NIM
Judul Artikel
Penerapan Algoritma Support Vector Machine Terhadap Analisis Sentimen Kesehatan Mental Anxiety Pengguna Media Sosial (Studi Kasus Twitter)
Abstrak (Bhs. Indonesia)
Pengguna media sosial semakin meningkat dari tahun ke tahun. Hal ini didasari karena mengingat banyaknya manfaat dari media sosial, salah satunya adalah pengguna dapat dengan mudah mengekspresikan diri seperti bercerita, marah, berpendapat, mengeluh dan masih banyak lagi. Twitter merupakan media sosial yang banyak digunakan masyarakat indonesia. Rata-rata komentar atau tweet di twitter membahas tentang kehidupan sehari-hari hingga sesuatu yang sedang hangat dibicarakan, seperti salah satu contoh adalah isu kesehatan mental anxiety. Tujuan penelitian ini adalah untuk melakukan analisis sentimen tentang kesehatan mental anxiety pengguna media sosial twitter dengan metode Support Vector Machine (SVM) dan bahasa Python. Dataset yang berhasil diolah berjumlah 2672 dengan data berpolaritas negatif lebih mendominasi daripada data berpolaritas positif. Hasil akurasi yang didapatkan adalah 97,8% pada dataset non stemming dengan nilai precision sebesar 97,5% dan nilai recall sebesar 88,5%. Sedangkan pada dataset stemming, akurasi didapatkan sebesar 94,2%, precision 86,7% serta nilai recall sebesar 75,6%.
Abtrak (Bhs. Inggris)
Social media users are increasing from year to year. This is based on the many benefits of social media, one of which is that users can easily express themselves, such as telling stories, getting angry, arguing, complaining and many more. Twitter is a social media that is widely used by Indonesian people. The average comment or tweet on Twitter discusses daily life and something that is currently being discussed, one example is the issue of anxiety mental health. The purpose of this research is to analyze sentiment about anxiety on Twitter using the Support Vector Machine (SVM) method and Python language. The dataset that was successfully processed amounted to 2672 with negative polarity data dominating more than positive polarity data. The accuracy result obtained is 97.8% on the non-stemming dataset with a precision value of 97.5% and a recall value of 88.5%. Whereas in the stemming dataset, the accuracy obtained was 94.2%, precision 86.7% and recall value of 75.6%.
Kata kunci
Pembimbing 1
Pembimbing 2
Pembimbing 3
Tahun
Jumlah Halaman
Save